Luiz, médico dermatologista, criou um modelo de IA para auxiliar na detecção de câncer de pele com visão computacional. Como um modelo de classificação binária, ele terá 4 possíveis saídas: verdadeiro positivo (paciente com câncer, detectado corretamente), verdadeiro negativo (paciente sem câncer, detectado corretamente), falso positivo (paciente sem câncer, detectado incorretamente) e falso negativo (paciente com câncer, não detectado pelo modelo). Levando em consideração que um modelo de IA seria utilizado como uma ferramenta de auxílio ao diagnóstico de câncer de pele, os erros de “tipo 1” (falso positivo) seriam tolerados, já que haveria uma análise posterior realizada por um médico especialista. No entanto, os erros “tipo 2” (falso negativo) seriam os mais críticos, uma vez que podem resultar em um diagnóstico tardio ou falho, comprometendo a saúde do paciente. Tomando o cenário como base, julgue os itens a seguir: I. A métrica mais importante nesse caso seria a Sensibilidade (Recall ou Revocação); II. A métrica mais importante nesse caso seria a Precisão (Precision); III. Ao ajustar o modelo para minimizar erros de "tipo 2", geralmente os erros de "tipo 1" tendem a aumentar; IV. Luiz deveria submeter seu modelo a um treinamento mais longo, independentemente do overfitting. Estão corretas as afirmativas
- A)I e III, apenas.
Certa, porque a situação pede priorizar Sensibilidade para reduzir falso negativo, e ao fazer isso costuma haver aumento de falso positivo.
- B)II e III, apenas.
Errada, porque Precisão não é a métrica principal quando o erro mais grave é o falso negativo.
- C)I e IV, apenas.
Errada, porque a afirmativa IV é incorreta: treinar mais não resolve automaticamente e pode gerar overfitting.
- D)II e IV, apenas.
Errada, porque II está errada e IV também está errada.
- E)III e IV, apenas.
Errada, porque III está correta, mas IV não está.
Gabarito: A
Aqui o ponto central é simples: quando o modelo vai ajudar no diagnóstico de câncer de pele, o pior cenário é deixar passar um caso doente, isto é, gerar falso negativo. Nesse contexto, a métrica que mais interessa é a Sensibilidade, também chamada de Recall ou Revocação, porque ela mede justamente a capacidade do modelo de identificar os pacientes que realmente têm a doença. Quanto maior a sensibilidade, menor a chance de o modelo “deixar escapar” um caso grave. Já a Precisão olha para outra direção: ela mede, entre os casos que o modelo apontou como positivos, quantos realmente eram positivos. Isso é importante quando o custo do falso positivo é alto, mas no enunciado a banca deixou claro que o falso positivo pode ser tolerado, porque haverá conferência de um médico especialista. Então, aqui, Precisão não é a estrela da festa. A afirmativa III também está correta: em geral, quando você ajusta o modelo para reduzir falso negativo, ele tende a marcar mais casos como positivos, e isso costuma aumentar os falso positivo. É o famoso “puxar a corda para um lado e a outra ponta mexe junto”. Em classificação, existe sempre um equilíbrio entre sensibilidade e especificidade, e mexer no limiar de decisão altera esse trade-off. A afirmativa IV está errada porque treinar mais tempo não é solução mágica. Se o modelo continuar treinando sem controle, pode acontecer overfitting, ou seja, ele decorar o treino em vez de generalizar bem. Em IA aplicada à saúde, o ideal é buscar um modelo bem calibrado, validado e com controle de generalização, não apenas um treinamento mais longo a qualquer custo. Por isso, o gabarito A faz sentido: I e III estão corretas.